基于高光谱的番茄叶片斑潜蝇虫害检测

番茄植株在生长过程中受病虫害的侵染,将导致番茄减产和种植户的经济效益降低,该研究用高光谱技术结合化学计量学方法,实现了番茄叶片斑潜蝇虫害的快速识别。搭建了简易的高光谱成像系统,包括光源单元、高光谱图像采集单元和数据处理单元,用该系统获取番茄叶片的高光谱图像,对高光谱图像进行校准,并从每一幅图像中提取光谱信息。分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。在SAM分析中,对高光谱数据进行了归一化预处理,以消除多余信息,增加样品之间的差异。比较了以不同番茄叶片样品的反射光谱作为测试光谱时,虫害识别效果的差异,当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时,虫害识别的正确率较高,达到96.5%。在光谱红边参数判别分析中,从光谱数据中提取了红边位置、红边振幅、最小振幅、红边面积、红谷位置和红边振幅/最小振幅6组红边信息,利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型,比较了距离判别、Fisher判别、Bayes判别分析方法的判别效果,使用距离判别分析建模的判别正确率最低,判别正确率为88.0%,使用Fisher判别分析建模的效果最佳,判别正确率为96.0%。研究结果表明,采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。     

不同采收期滇龙胆的红外光谱鉴别研究

采收是中药生产的重要环节,采收时间直接影响中药质量和产量,是中医临床安全有效用药的前提,开展中药适时采收期的研究具有重要意义和应用价值。采用傅里叶变换红外光谱法对72份不同采收期的滇龙胆进行鉴别研究,用TQ8.0软件对原始光谱进行一阶导数(first derivative,FD)、二阶导数(second derivative,SD)、标准正态变量(standard normal variate,SNV)、多元散射校正(multiplicative scatter correction,MSC)和平滑(savitaky-golay filter,SG)预处理,样品按3∶1分为校正集和预测集,同时建立主成分分析(principal component analysis,PCA)和偏最小二乘判别分析(partial least square discriminant analysis,PLS-DA)模型。结果显示,选取1 800~600cm~(-1)波段范围的光谱,去除光谱噪音;SNV结合二阶导数光谱和SG(15,3)平滑,预处理结果满意。主成分分析表明,前三个主成分方差贡献率为92.47%,5月、9月和10月份采收的样品差异较小。偏最小二乘判别分析建立判别模型,决定系数R2和校正均方根误差(RMSEE)分别为0.967 8和0.086 0,可对18个预测集样品进行准确分类。红外光谱法结合主成分分析、偏最小二乘判别分析对不同采收期滇龙胆的分类和判别效果较好,为不同采收期的中药鉴别提供理论依据。     

基于粪便可见-近红外反射光谱的高山麝慢性肠炎诊断

提出了一种利用粪便可见-近红外反射光谱进行高山麝慢性肠炎诊断的新方法。以FieldSpec？3地物光谱仪采集了125份高山麝粪便（正常粪样70份,慢性肠炎患者粪样55份）的光谱数据,将其随机分成训练集（95份）和检验集（30份）。光谱经S.Golay平滑与一阶导数处理后以主成分分析法（PCA）降维。以前6个主成分（含原始光谱95.16%的特征信息）作为新变量,利用训练集样本,分别以模糊模式识别、BP-神经网络、Fisher线性判别以及Bayes逐步判别四种方法建立高山麝慢性肠炎的诊断模型。对检验集30个未知样的预测表明,Fisher线性判别的准确率为86.7%,模糊模式识别与BP-神经网络模型判别的准确率为90%,Bayes逐步判别的准确率最高,达93.3%。进一步分析发现所有误诊都源于将正常样误判为病样,四种方法对病样的检出率均达100%。说明利用粪便的可见-近红外反射光谱进行高山麝慢性肠炎的快速、非接触性诊断是可行的,且PCA 结合Bayes逐步判别是一种优选方法。     

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉

为探究一种快速、可靠的肉苁蓉属中药材检测方法,实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性,采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像,对图像进行去噪、二值化处理后,根据光谱立方体绘制每个样本的光谱曲线,将所得450～680 nm波段范围内的光谱数据作为鉴别分析的研究对象,应用主成分分析法(PCA)对三种肉苁蓉的光谱数据进行降维处理,再结合Fisher判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正(MSC)、标准正态变量校正变换(SNV)以及一阶微分(FD)三种数据预处理方法对鉴别模型的影响,并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行Fisher判别的鉴别效果最佳,PCA结合Fisher判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100%,交叉验证的准确率达到95%。由此可见,利用荧光光谱成像技术结合主成分分析及Fisher判别对肉苁蓉属三种药材的鉴别分析是可行的,而且具有操作简便、快速、可靠等优点。     

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别

为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析,应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正(MSC)、标准正态变量校正(SNV)、一阶导(FD)、二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法(FTIR/ATR),经由Savitzky-Golay(SG)平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射(MSC)预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。     

近红外光谱技术快速鉴别蜂胶品种的可行性研究

不同植物源的蜂胶物质组成不同,其生理和药理活性也存在着一定的差异。目前主要是根据蜂胶中物质组成及其含量的不同来鉴别蜂胶植物源,存在着一些局限性。因此,建立一种快速、准确鉴别蜂胶植物源的方法具有重要的意义。以三种不同植物源的蜂胶(杨树型蜂胶、桦树型蜂胶和橡树型蜂胶)为研究对象,利用傅里叶变换近红外光谱仪对蜂胶的无水乙醇溶液进行光谱扫描,采用主成分分析结合马氏距离判别法和典型判别分析分别建立蜂胶品种的判别模型并对其性能进行检验。结果表明： 在经过光谱预处理和主成分分析后,得到最佳的光谱建模波段为4 500～12 000 cm-1,最佳的光谱预处理方法为一阶导数+Savitzky-Golay(7)平滑;主成分分析结合马氏距离判别法建立的判别模型校正集和检验集的判别准确率分别为93.62%和82.61%;典型判别分析建立的判别模型的判别准确率为91.4%,交叉检验的判别准确率为88.6%。由此可知,主成分分析结合马氏距离判别法与典型判别分析对蜂胶样品的分类效果均较好。近红外光谱技术结合化学计量学方法应用于蜂胶植物源的快速、准确鉴别具有一定的可行性和实用性。     

近红外激发荧光光谱与拉曼光谱快速鉴别马铃薯品种

马铃薯是世界上最重要的食物之一,快速无损的进行马铃薯品种鉴别对其在应用中更好的发挥品种优势具有重要作用。研究了以近红外荧光光谱和近红外拉曼光谱的土豆品种鉴别,并对两者进行了比较。实验采用3个品种共98个土豆样本,随机将其分成校正集(74个)和预测集(24个)。首先使用785nm近红外激光激发,采集所有样本的荧光和拉曼混合光谱,然后从混合光谱中分别提取荧光光谱和拉曼光谱,最后对荧光光谱和拉曼光谱进行偏最小二乘判别分析(PLS-DA),PLS-DA模型采用留一法和全交互验证。结果显示,荧光光谱与拉曼光谱都能够对三个马铃薯品种进行鉴别,其中荧光光谱的PLS-DA模型预测Favorita品种效果较好(灵敏度为1,特异性0.86,准确性0.92),但Diamant品种(灵敏度为0.75,特异性0.75,准确性0.75)和Granola品种(灵敏度为0.16,特异性0.89,准确性0.71)预测的效果较差,而拉曼光谱图很好的解释了马铃薯中的主要营养成分,基于拉曼光谱的PLSDA模型的预测效果(三个品种预测灵敏度,特异性,准确性均为1)比荧光光谱判别效果显著提高。     

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

荧光光谱法结合Fisher判别分析在西洋参鉴别中的应用

旨在建立可靠的Fisher判别模型,以实现西洋参及其常见伪品饮片的快速、客观、准确鉴别,采用自组的凝视式光谱成像仪,对90份不同市售来源的中药材饮片(西洋参、人参、桔梗各30份)进行了荧光光谱成像实验,波长范围为400~720 nm,成像间隔为5nm。采用标准正态变量(SNV)变换对原的光谱数据进行预处理,以减少光谱数据中的噪声干扰。比较了主成分分析(PCA)与逐步判别分析(SDA)的原理特点及对模型的优化效果,联合这两种分析方法,首先,应用PCA对预处理后的光谱数据进行处理,使光谱数据中的主要信息集中分布在前面的主成分中,然后应用SDA从65个主成分中筛选出判别能力较强的12个主成分建立Fisher判别模型。由所建模型的两个判别函数作样品得分散点图,各类样品在图中表现出良好的聚类现象。以待判样品点与各种类中心点之间的欧氏距离作为依据,得出模型的准确判别结果。结果显示,所建Fisher判别模型在训练集和预测集中的判别正确率分别为98.33%和 96.67%,具有较高的可信度与准确度,因此,荧光光谱法结合Fisher判别分析可用于快速鉴别西洋参及其伪品饮片。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索。但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道。本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、红边面积SDr、比值植被指数RVI、差值植被指数DVI、归一化植被指数NDVI 11种光谱植被参数作为该光谱分析的基础,将实测针叶色彩参数值、光谱参数值分别作为自变量,采用多元线性逐步回归方法（SMLR）预估色素含量建立模型,以R2、RMSE为评价标准,对比选出模型精度最高的参数组合应用于实践。研究结果表明：(1) 树种间针叶色素含量、色相参数值、光谱反射率均存在一定差异（p<0.05）。(2) 树种间针叶光谱反射率红松显著低于北美短叶松、樟子松、赤松（p<0.05）,针叶树种原始光谱在可见光波段500和680 nm附近呈现“蓝谷现象”和“红谷现象”,在550和760 nm波段附近呈现“绿峰现象”和“红边现象”;一阶微分光谱反射率在700 nm附近产生剧烈变化。(3) 色素含量与色彩参数、光谱反射率、光谱特征参数存在显著线性关系。(4) 花青素和叶绿素分别以L,a*和L,a*,b*,S色彩参数组合为自变量时,拟合模型R2最高,分别为0.588和0.638;而类胡萝卜素、叶绿素a、叶绿素b都是以FD₆₅₂,FD₇₀₀,SDb,SDy,RVI,DVI和NDVI光谱参数组合为自变量时,拟合模型R2最高,分别为0.779,0.786,0.774。该研究运用高光谱相机、色彩色差仪、紫外-可见分光光度仪实现了快速预估针叶色素含量,在色彩参数值与光谱值都与色素含量存在显著相关性的基础上,成功选出建立模型精度最高的参数组合,在针叶树种色素预估时可以根据精度需求及研究条件选择不同方法和参数值。     

自动化学间断分析仪和原子吸收光谱法测定锥栗不同授粉组合果实的元素含量

为探讨锥栗不同授粉组合果实中矿质元素是否也存在花粉直感效应，应用全自动间断化学分析仪和原子吸收光谱法测定了“华栗1号”、“华栗2号”、“华栗3号”和“黄榛”四个锥栗主栽品种自交、异交以及自然授粉的子代坚果中主要矿质元素的含量。结果表明，锥栗不同授粉组合坚果的N，P，K，Ca，Mg，Fe，Zn和Mn八种矿质元素含量差异较为显著，其矿质元素具有明显的花粉直感效应，尤其是铁、锌元素受花粉直感作用的影响较大，“华栗2号”ד黄榛”授粉组合果实铁、锌元素含量最高，分别为162.13和41.79 μg·g-1；“黄榛”ד华栗1号”授粉组合果实中Mn元素含量最高为165.67 μg·g-1，为锰微肥的利用提供了参考；通过主成分分析，评价出19个组合中在矿质元素方面表现最优的授粉组合为“华栗2号”ד黄榛”。该研究结果可为锥栗生产上合理配置授粉树和改善果实品质提供科学的依据。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

基于叶绿素荧光光谱分析的稻瘟病害预测模型

为了实现稻瘟病的快速、准确和无损检测,力求构建稻瘟病害预测模型。根据水稻叶片相对病害面积将稻瘟病划分为3个等级,通过激光诱导法采集不同病害等级的活体水稻叶片叶绿素荧光光谱。选取502～830 nm波段激光诱导叶绿素荧光光谱(LICF)作为研究对象,利用Savitzky-Golay平滑法(SG)和一阶导数变换(FDT)对光谱信息进行预处理,通过主成分分析(PCA)方法获取经SG-FDT预处理后光谱的特征向量,根据累积贡献率和方差选取前3个主成分进行分析。将试验样本分为建模样本和检验样本,以稻瘟病害等级为预测指标,利用建模样本的133片叶片的光谱和病害信息分别结合判别分析(DA)、多类逻辑回归分析(MLRA)和多层感知器(MLP)建立稻瘟病的预测模型,利用检验样本的89片叶片的光谱和病害信息对所建模型进行预测检验,完成对PCA-DA、PCA-MLRA和PCA-MLP的对比寻优。结果表明,PCA-DA,PCA-MLRA和PCA-MLP模型均能完成对稻瘟病害的预测,但PCA-MLP模型的平均预测准确率能够达到91.7%,相比PCA-DA和PCA-MLRA模型,在稻瘟病害3个等级上均具有较好的分类和预测能力。     

日光诱导叶绿素荧光与反射率光谱数据监测小麦条锈病严重度的对比分析

小麦条锈病是影响我国小麦产量的主要病害之一,在小麦受到条锈病菌侵染初期探测到病害信息,对小麦条锈病的防控以及产量和品质的提高具有更为重要的意义。反射率光谱主要反映植被生化组分的浓度信息,而日光诱导叶绿素荧光则对植物光合生理变化响应灵敏。为了更好地实现小麦条锈病病情严重度的遥感探测,尤其是条锈病的早期探测,对日光诱导叶绿素荧光和反射率光谱数据监测小麦条锈病病情严重度的敏感性进行了对比分析。首先利用地物光谱仪测定了不同病情严重度的小麦冠层光谱数据,基于夫琅和费暗线原理利用3FLD(three-band Fraunhofer Line Discrimination)方法提取了小麦条锈病不同病情严重度下的日光诱导叶绿素荧光数据,然后分别利用反射率光谱数据和日光诱导叶绿素荧光数据构建小麦条锈病不同发病状态下的遥感探测模型,并通过保留样本交叉检验方式对预测模型精度进行了评价。结果表明：（1）当小麦条锈病病情指数低于20%时,日光诱导叶绿素荧光对小麦条锈病病害信息的响应比反射率光谱数据更为敏感,以日光诱导叶绿素荧光为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平,能够在植被叶绿素含量或叶面积指数发生变化之前探测到植物的胁迫状态,实现作物病害的早期诊断,而反射率光谱数据则难以探测到条锈病病害信息;（2）在小麦条锈病病情严重度处于中度发病(20%＜DI≤45%)状态时,虽然日光诱导叶绿素荧光和反射率光谱数据均能实现小麦条锈病病情严重度的遥感探测,但利用日光诱导叶绿素荧光数据构建的预测模型优于反射率光谱数据;（3）当小麦条锈病病情严重度达到重度水平(DI＞45%)时,利用反射率光谱数据和日光诱导叶绿素荧光数据构建的小麦条锈病病情严重度预测模型均达到了极显著性水平,两种数据均能够较好地实现小麦条锈病病情严重度的遥感探测。该研究结果对提高小麦条锈病的遥感探测精度具有重要的意义,为利用TanSat等卫星的荧光数据进行小麦条锈病的早期探测提供了参考依据。     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪,选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.232 8,迭代时间t=3 882.9 s。模型2的分类正确率为100%,RMSEP=0.070 6,迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能力效果不明显。上述三种模型比较结果表明,FD+SG预处理可以提高模型的预测能力,小波降维可以提高模型的迭代速度,综合上述三种模型的比较结果分析,最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4,其分类正确率达100%,RMSEP=0.029 3, 迭代时间为98.8 s,表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此,所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别,同时也为其他农作物种子的快速鉴别提供了参考。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。